AI 产品经理的五种定义
AI 行业上升期有不少的新公司、新产品出现，对人才的需求量也在增加，想要转行 AI 产品经理的人数也不少。
我从 B 端转到 AI 行业有小半年时间了，每天工作巨饱和，一直处在学习新知识的状态，不断打破过往经验，经常觉得自己变得一文不值，又庆幸能够重启对工作的好奇，仿佛回到了刚毕业工作。
今天我就从我的视角，来分析下 AI 产品经理到底是什么？希望对想要转行的朋友有所帮助
先来对 Boss 上的 JD 做一个统计分析
我从 Boss 上搜了 100 个 AI 产品经理的 JD
然后发送给 AI，让其总结这些公司要求的 AI 技能主要有哪些，按重要程度进行排序：
对AI产品有热情和追求，能够独立思考问题的本质。
熟悉产品的规划、设计，洞察用户需求、协同设计、研发、测试等资源确保产品的交付上线。
了解人工智能技术和应用，有相关产品规划和研发经验。
对机器学习、深度学习、计算机视觉、自然语言处理、知识图谱等原理和应用场景有认识。
了解AI技术能力和基本原理，推动AI技术在公司产品应用与落地。
有 AI 相关项目的落地经验
以上 6 条要求占所有要求的比例是多少呢？通过 AI 的分析，得出答案是 22%。可见 AI 技能并不是 AI 产品经理的核心要求。
最后，我让 AI 总结了，所有要求中，重复最多的几项是什么？即对人最核心的要求：
市场和用户需求分析能力
产品设计和管理经验
跨部门沟通和协调能力
Al技术和应用知识
数据驱动决策能力
创新和问题解决能力
商业敏感性和战略思维
所以，别看标着 AI 产品经理，对应聘者的要求最重要的还是产品经理那一套东西
很容易得出结论：
AI 产经理的普遍要求：扎实的产品基本功 + 产品经验积累 + 对 AI 行业/技术有认识
很多转行的首先选择的应该是好好优化自己的简历，过往经验，再去实践 AI 项目，把实践经验写到简历。
而不是上来就买一堆 AI 相关的书籍，以为读完理解了就能入门，就能面试通过。
想要补充 AI 行业的知识，可以按照以下：
1、从算力层、模型层、数据层、应用层去了解整个产业链的技术分布、公司分布、资金流运作。
2、去参与 AI 项目，从应用层切入，参与到公司或比赛中。
3、关注 AI 资讯，AI 行业日新月异，带着好奇心投入进去
4、使用 AI 产品，用起来还要分析思考，以便面试之需
每一个行业都有自己的产业链，上下游企业服务不同的群体，彼此互利共赢，在 AI 这个行业，从下至上可以简单的分为算力层、数据层、模型层、应用层。
不同层级的公司之间通过核心技术的合作和服务，形成了一个完整的价值链
它们所售卖的产品服务不一样，业务也不一样，对应的产品经理的业务职责也不一样。
英伟达作为算力层的老大，市值已经超过 3 万亿，他们所开发的CUDA平台，允许开发者利用GPU的并行计算能力进行复杂计算。为数据层和模型层公司提供高性能计算硬件和软件支持，使得数据处理和模型训练更高效。
英伟达是AI行业的基础设施提供者，为数据层和模型层提供计算力支持，是整个价值链的起点，也因此能更直观的获得资本的青睐。
数据层公司（如亚马逊AWS、Google Cloud、微软Azure），这里的公司负责收集、存储和处理大量的数据。像亚马逊AWS、Google Cloud和微软Azure这样的公司利用分布式文件系统和云存储技术管理海量数据。同时依赖英伟达的算力支持进行数据处理
OpenAI、谷歌和Meta（Facebook）在这个层次开发AI算法和模型。他们掌握大量资金用于算力支撑和核心技术如深度学习、RLHF、迁移学习，他们的工作是将数据层提供的数据转化为可以实际应用的AI技术。这些模型被应用层公司用来开发各种AI驱动的产品和服务。
苹果就是应用层的典型代表。在 6 月份的 WWDC 中，ios 18 融入大量 AI 能力，背后的模型就是由 OpenAI 提供，他们将AI技术整合到产品中，比如智能手机和智能助手，为终端用户提供服务。
当然在每个链路都有上百成千个企业参与其中，这只是一个典型的例子，帮助我们理解这个行业的运作。把以上公司换成国内的大厂也是一样的。
算力层提供GPU，数据层公司提供数据，模型层公司开发算法，应用层公司将这些技术转化为产品和服务，最终服务于用户。通过这种合作，每个环节都为其他环节提供支持和价值，从而共同促进整个行业的进步。
从上面的行业分布来看，每一个层级都需要产品经理，并且职责和要求都不相同
算力层的产品经理，需要深入理解GPU、TPU等硬件的性能特性，优化资源配置，以支持大规模计算需求。
向上通过与硬件供应商和工程团队紧密合作，提升计算资源的高效利用和技术更新。
向下需要为模型、数据、应用厂商合作，提供便捷的云计算服务。
例如，通过引入自动化资源调度系统，提升了计算效率；在硬件更新过程中，通过与供应商和工程团队的密切合作，成功完成了硬件升级，提高了系统性能。
与此同时，跟踪最新的硬件技术，确保产品竞争力，并始终以用户需求为导向。我们通过了解用户对计算速度、稳定性和成本的需求，优化资源配置和定价策略，成功降低了用户使用成本，提升了客户满意度。这些经验帮助我们在算力层产品管理中取得了显著成效。
数据层产品经理，主要职责是管理数据收集、处理和分析的工具和平台。需要对数据架构有深入的了解，提高数据质量和数据流的高效性。
通过与数据科学家和数据工程师紧密合作，构建和维护数据仓库，支持下层的模型训练和数据分析需求。
还需要高度关注数据的安全性和合规性问题。例如，通过实施严格的数据加密和访问控制措施，我们确保了用户数据的安全性，并符合GDPR等国际数据保护法规。
作为模型层产品经理，需要专注于机器学习模型的开发和优化，主要工作包括模型的设计、训练、测试及部署。技术背景是必需的，理解各种机器学习算法和模型的工作原理，并根据具体业务需求选择合适的模型和调优策略，是你工作的核心。
例如，通过弱智吧的预料来训练模型输出效果已经成为了行业内，比较模型智力水平的测试标准。
模型层产品经理向上需要对接算力，能够评估成本，优化资源配置，向下能够为应用层、用户、业务提供模型推理服务。比如 Kimi、OpenAI 这些公司除了 To c 的对话助手，还有 To B 的 API 推理能力。
AI Native产品经理，职责是管理那些从一开始就以AI为核心构建的产品。这些产品完全依赖AI技术来定义其业务模型和用户体验，例如现在比较火的 AI 产品 Perplexity、Monica。需要对AI的潜力和便捷有深刻的理解，并创新地将AI技术应用到业务中。
传统应用+AI产品经理，这种产品经理是最常见的，也是要求相对较低，比较好入行的，就拿我上家公司来说，他们做企业内容管理，很自然的就结合到 AI 对话能力，做 RAG 搜索、知识图谱、内容管理助手，我也因为参与其中，获得 AI 产品的经验。
这要求我们需要深入了解行业特性和客户需求，让AI技术能够真正提升产品性能和用户体验，比如：
在零售业，通过机器学习算法优化库存管理，可以减少库存积压和缺货情况；
在医疗行业，通过AI进行疾病诊断，可以提高诊断的准确性和效率。
还需要与模型厂商、算力厂商、AI工程师、行业专家和客户沟通，让每一个环节都能保证 AI 的应用是合理高效的。
以上，就是常见的五种 AI 产品经理类型。
我是空格，本文选自产品星球周刊 58期，如有兴趣，可扫码订阅。